何謂機器學習?

機器學習是一種 AI 形式,讓系統不必透過明確程式設計,就能直接從資料中解讀。然而,機器學習並不是一個簡單的過程。隨演算法汲取訓練資料,之後就有可能根據該資料產生更精確的模型。機器學習模型就是透過資料來訓練機器學習演算法而產生的輸出結果。訓練之後,當您提供具有輸入的模型時,就會產生輸出。例如,預測演算法將會建立預測模型。然後,當您提供具有資料的預測模型時,所獲得的預測便是根據訓練模型的資料而來。

機器學習圖解

反覆運算學習

機器學習可讓模型在部署之前對資料集進行訓練。部分機器學習模型會在線上持續運算。這種反覆運算線上模型的過程,能讓資料元素之間締結的各種關聯類型逐漸進步。由於其中關聯複雜且規模龐大,只用肉眼觀察就很容易忽略這些型樣和關聯。訓練模型之後,就能用來即時解讀資料。這種訓練過程,加上機器學習之中的自動化技術,帶來的結果就是不斷進步。

機器學習方法

若要提高預測模型的精確度,就要有機器學習技術。根據所處理的商業問題性質而定,機器學習方法會依資料的類型和容量而有所不同。在本節中,我們會討論機器學習的類別。

監督學習

監督學習通常以一組已建立的資料開始,並對資料分類方式有一定程度的理解。監督學習旨在尋找資料中可套用至分析程序的型樣。此資料已標示了定義資料意義的特性。例如,您可以建立某個機器學習應用程式,根據圖像和書面描述來區分數百萬動物。

無監督學習

無監督學習是在問題需要大量未標記資料時才會使用。例如,社交媒體應用程式(例如 Twitter、Instagram 和 Snapat)都有大量未標記的資料。瞭解此資料背後的意義需要使用演算法,使其根據其中找到的型樣或叢集來分類資料。無監督學習會進行反覆運算程序、分析資料,無需人為介入。這會搭配電子郵件垃圾郵件偵測技術使用。對於分析師而言,合法和垃圾郵件中的變數太多,無法標記自發的大量電子郵件。相反的,機器學習分類器根據叢集和關聯性,就能用來識別不需要的電子郵件。

加強學習

加強學習是行為學習模型。演算法從資料分析中得到反饋回應,將使用者引導至最佳結果。加強學習與其他類型的監督學習不同,因為系統不會有樣本資料集的訓練。相反地,系統會透過試錯的方式來學習。因此,一連串成功決策,就會使這個過程變得更強,因為它用了最佳辦法來解決目前問題。

深度學習

深度學習是一種特定的機器學習方法,其中併入了連續層的神經網路,以反覆運算方式從資料中進行解讀。當您嘗試從非結構化資料解讀型樣時,深度學習會特別有用。深度學習複雜的神經網路是為了模擬人類大腦運作方式,因此可以訓練電腦來處理定義不清的抽象概念和問題。平均年齡 5 歲的孩子可以輕易辨別教師和導護老師的長相區別。相比之下,電腦必須執行大量運算才能辨別人臉。神經網路和深度學習通常用於影像識別、語音及電腦視覺應用。

機器學習圖形

機器學習環境中的大數據

機器學習必須對學習程序套用妥當的資料集。雖然組織不必擁有大數據也能使用機器學習技術,但是大數據有助於提高機器學習模型的精確度。現在有了大數據就能將資料虛擬化,以最有效和最具成本效益的方式,將資料儲存在內部部署或雲端中。此外,網路速度變快和可靠性提高,也消除了其他相關的實體限制,例如以可接受速度來管理龐大資料。加上電腦記憶體越做越精緻且越來越便宜,僅僅五年來的變化,現在的公司已經能想到當時做不到的資料運用。

讓機器學習應用於商業需求

對於試圖運用大數據的公司而言,機器學習可以發揮潛力,幫助他們更充分的瞭解客戶的行為、喜好或滿意度有何細微變化。商業領袖開始意識到,組織和產業內發生的許多事不一定能透過查詢來理解。這並不是指已知問題,而是指深埋在資料中的隱藏型樣和異常,對企業可能有益或有害。

資料如何聚集

機器學習的優點是,可以運用演算法和模型來預測結果。訣竅在於確保執行此工作的資料科學家使用正確的演算法、吸收最適當的資料(即精確且乾淨),並使用最佳的執行模型。若將所有這些元素聚集起來,就可以從資料中學習並進行解讀,持續訓練模型並從結果中學習。這種建模、訓練和測試的自動化過程,最後會產生精準的預測來因應商業變化。

人工智慧

產品

IBM Watson Studio

一種內部部署、私有雲或公有雲的解決方案,能為團隊提供協同的機器學習平台,讓他們使用頂尖的開放程式碼工具來探索、建模及部署資料解決方案。

IBM Machine Learning for z/OS

一個內部部署的機器學習解決方案,能從企業資料中發掘出隱藏價值。運用 IBM z Systems® 資料,快速汲取並轉換資料,以建立、部署及管理高精確度的自學模型。

IBM SPSS® Modeler

一個適用於所有技能等級使用者的平台圖形分析平台,透過各式各樣演算法和功能(例如文字分析、地理空間分析及優化)來部署洞察。

IBM Watson Explorer

一種機器學習的內容分析和認知搜尋平台,可讓使用者從所有資料中取得可據以行動的洞察,並協助達成更好的商業成果。

個案研討

Ahus 運用 Watson Explorer 獲得全新洞察分析,實現高品質健康目標

Akershus University Hospital (Ahus) 使用 Watson Explorer,與合作夥伴 Capgemini 一起分析數千份放射科報告,以確認各團隊皆遵循最佳作法,有助於維持高階醫療標準。

即時內容分析協助客服中心為客戶提供高效服務

瑞穗銀行藉助 IBM Watson Explorer 的即時自然語言處理能力,有效促進客戶互動,並縮短客戶處理時間。

資源

參加導覽,瞭解如何在 IBM Watson Studio 中建置機器學習模型來預測客戶流失率。

查看更多應用機器學習與深度學習的指導教學

立即開始免費試用 Watson Studio